泰坦尼克号代码分析
流程分析:
第一步:引入sklearn、numpy及pandas中的相关库与模块。
import pandas as pd
import numpy as np
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction import DictVectorizer
第二步:获取数据、读取其中前五行数据并查看目标值信息、读取前五行数据。
train = pd.read_csv('train.csv')
test = pd.read_csv('test.csv')
train.head()
test.head()
g_sub = pd.read_csv('gender_submission.csv')
g_sub.info()
g_sub.head()
output:
训练集的前五行:
测试集的前五行:
目标值信息:
目标值前五行:
第三步:分析各数据对目标值(是否存活)的影响。(手动特征降维)
PassengerId(乘客号码):用于代表每一个乘客。
Pclass(乘客的阶级):应该优先救助阶级高的人,对是否存活影响大,可保留。
Name(乘客姓名):对乘客是否存活几乎无影响,可删除。
Sex(乘客性别):应该优先救助妇女,对是否存活影响大,可保留。
Age(乘客年龄):应该优先救助老人幼童,对是否存活影响大,可保留。
SibSp(兄弟姐妹):可能会因为让兄弟姐妹上救生船而让自己陷入困境,可保留。
Parch(父母孩子):可能会因为让父母或者孩子上救生船而让自己陷入困境,可保留。
Ticket(购票的号码):对乘客是否存活几乎无影响,可删除。
Fare(购票的费用):购票费用高可能代表着阶级高,与乘客的阶级高度线性相关,可在购票费用和乘客的阶级中选取一个保留。
Cabin(船舱号):对乘客是否存活几乎无影响,可删除。
Embarked(目的地):登录地点可以一定程度显示人的地位,保留这一列。
故可保留特征为:
1)Pclass
2)PassengerId
3)Sex
4)Age
5)SibSp
6)Parch
7)Fare
第四步:可用数据的预处理。
①将训练集和测试集整合到一起:
union = train.append(test, ignore_index=True)
print(union.info())
output:
②生成描述性统计,总结数据集分布的中心趋势,分散和形状,不包括NaN值。(可放到删除不需要的数据之后)
union.describe()
output:
③删去名字、舱号、票号等不重要的数据,已知年龄数据、费用数据和登陆地点有缺失值,补足缺失值后查看补足后的整合集的信息。
union = union.drop(['Name','Cabin','Ticket'],axis=1) #按列删除
union['Age'].fillna(union['Age'].median(), inplace=True)#用中值补足数据
union['Fare'].fillna(union['Fare'].mean(), inplace=True)#用平均值补足数据
union['Embarked'].value_counts() #统计Embarked中出现最多的字母
union['Embarked'].fillna('S', inplace=True)#用出现最多的字母补足数据
union.info()
output:
第五步:数据集划分。
train = union.loc[0:890] #前890名乘客的数据作为训练集
test = union.loc[891:]
x_train = train.drop(['Survived'],axis=1)
x_test = test.drop(['Survived'],axis=1)
y_train = train['Survived'])
y_test = test['Survived']
第六步:特征工程
字典型特征提取:
#实例化一个转换器类
transfer = DictVectorizer(sparse=False) #不返回稀疏矩阵
#调用fit_transform()函数
x_train = transfer.fit_transform(x_train.to_dict(orient='record'))
x_test = transfer.transform(x_test.to_dict(orient='record'))
x_train.get_feature_names()
print(x_train)
output:
第七步:建立模型(决策树预估器)。
#实例化一个预估器类
estimator = DecisionTreeClassifier(max_depth = 5)
#调用fit()函数
estimator.fit(x_train,y_train)
第八步:模型评估。
#模型评估
y_predict = estimator.predict(x_test)
print(y_predict)
output:
将乘客号码和预测的生存情况制成表格:
id = test['PassengerId']
sub = {'PassengerId': id, 'Survived': y_predict}
submission = pd.DataFrame(sub)
submission.to_csv("sub.csv", index=False)
print(submission.head(20))
output: